视觉与机器人
机器人、具身智能、机器人学习、操作、导航和具身世界模型。
X-OmniClaw 技术报告：一种统一的移动代理用于多模态理解和交互
机构 * OPPO AI Center（OPPO人工智能中心）
专题命中 具身导航 ：navigation(abstract)；分类 cs.CV
AI总结 本文提出X-OmniClaw，一种统一的移动代理，用于Android生态系统中的多模态理解和交互，通过统一的感知、记忆和行动架构，提升复杂移动任务的上下文感知能力，展示了其在多模态交互中的高效性和可靠性。
Comments 12 pages, 7 figures
通过几何验证导航网格：基于体素的分析与优先探索
专题命中 具身导航 ：navigation(abstract)
AI总结 本文提出了一种通过独立的几何驱动分析来验证导航网格正确性的框架，通过基于体素的表示直接从环境几何重建可行走空间，并利用约束感知的遍历和连通性评估进行验证，采用优先搜索问题解决体素空间中的不一致区域，通过比较体素表示和导航网格的可达性来检测导航问题。
E-Rocket：低成本的电视火箭GNC验证测试平台
专题命中 具身导航 ：navigation(abstract)
AI总结 本文提出了一种低成本的电视火箭GNC验证测试平台E-Rocket，利用商用组件和3D打印部件，结合伺服电机和 gimbal 机制实现推力矢量控制，通过定制的航空电子硬件和软件栈验证了基于PID的轨迹跟踪控制器，展示了E-Rocket在火箭GNC算法验证中的有效性。
Comments This work has been accepted for presentation at IFAC 2026
通过世界模型的模拟推理实现通用代理规划
机构 * Institute of Foundation Models (IFM)（基础模型研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； UC San Diego（南加州大学）
专题命中 具身推理 ：world model(title,abstract)；navigation(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 本文提出通过模拟推理实现通用代理规划，利用世界模型进行未来状态预测，提升决策能力，通过SiRA架构在不同任务中取得更高任务完成率。
Comments Winner of Berkeley LLM Agents Hackathon (Fundamentals Track); code available at https://github.com/sailing-lab/sira
超越欧几里得距离：通过地平线匹配轨迹可达性度量修复潜在世界模型
机构 * Tongji University（同济大学）
专题命中 具身推理 ：world model(title,abstract)；manipulation(abstract)；分类 cs.RO、cs.LG
AI总结 本文提出轨迹可达性度量（TRM）作为固定潜在世界模型的后处理终端排名方法，通过训练小的成对头部来改进终端排名，从而提高连续操控任务的性能。
Comments 26 pages, 7 figures
ChronoMedicalWorld：一个用于从纵向护理数据中学习患者轨迹的医学世界模型
机构 * Beijing KidneyTec Medical Technology Co., Ltd.（北京肾科医疗技术有限公司）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种名为ChronoMedicalWorld的模型，旨在通过纵向护理数据学习患者轨迹，该模型结合了联合嵌入状态编码器和宽动作编码器，并在六个术语目标下训练了循环潜在转移模块，以提高慢性病护理中长期预测的准确性。
Comments 14 pages, 2 figures, 6 tables
有限自动机提取：从游戏录像中学习低数据世界模型作为程序
机构 * Department of Computing Science, Alberta Machine Intelligence Institute (Amii), University of Alberta（计算科学系，阿尔伯塔机器智能研究所（Amii），阿尔伯塔大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 本文提出了一种名为有限自动机提取（FAE）的方法，通过一种新的领域特定语言（DSL）Retro Coder，从游戏录像中学习神经符号世界模型，相较于以往的方法，FAE能够更精确地建模环境并生成更通用的代码。
从整体到模块：分解转换器以实现高效的world建模
机构 * Department of Informatics, University of Sussex（Sussex大学信息学院） ； Beyond Institute for Theoretical Science (BITS)（理论科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Principles of Intelligent Behaviour in Biological and Social Systems (PIBBSS)（生物和社会系统智能行为原理研究所） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Araya Inc.（Araya公司） ； Sussex AI and Sussex Centre for Consciousness Science, University of Sussex（Sussex大学人工智能与意识科学中心） ； Centre for Complexity Science and Center for Psychedelic Research, Department of Brain Sciences, Imperial College London（复杂科学中心和迷幻研究中心，伦敦帝国理工学院脑科学系） ； Center for Eudaimonia and Human Flourishing, University of Oxford（幸福与人类繁荣中心，牛津大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 本文提出了一种分解复杂world建模的方法，通过转换器框架将世界模型分解为多个模块，从而提高计算效率并支持分布式推理，为AI安全和现实应用提供基础。
Steins;Gate Drive: 基于结构化未来语义安全仲裁的延迟解耦LLM规划
机构 * Institute for Wireless Communication and Navigation（无线通信与导航研究所） ； RPTU University Kaiserslautern-Landau（凯撒斯劳滕-兰道大学） ； German Research Center for Artificial Intelligence（德国人工智能研究中心）
专题命中 具身推理 ：world model(abstract)；分类 cs.RO、cs.AI
AI总结 本文提出SteinsGateDrive架构，通过延迟解耦规划与运行时架构，在保持安全边界的同时，将有效延迟从+3.07秒减少到-0.01秒，提升了自动驾驶的规划效率。
Comments 10 pages, 2 figures, 5 tables, submitted to IEEE transaction of intelligent vehicles
LVDrive: 基于潜在视觉表征的视觉-语言-动作自动驾驶模型
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Xiaomi EV（小米电动车）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI、cs.CV
AI总结 本文提出LVDrive，一种增强视觉-语言-动作能力的自动驾驶模型，通过引入未来场景预测任务，在高维潜在空间中学习语义丰富的场景表示，从而提升闭环驾驶性能。
GesVLA: 一种具有手势感知能力的视觉-语言-动作模型嵌入表示
机构 * Tsinghua University（清华大学） ； Dexmal
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV
AI总结 本文提出GesVLA模型，通过引入手势作为平行指令模态，解决现有VLA系统在复杂场景中空间模糊问题，采用双VLM架构实现手势表示与动作策略的紧密耦合，并通过手势数据生成管道和两阶段训练策略提升目标定位准确性和人机交互效率。
Comments Project page: https://gwxuan.github.io/GesVLA/
Pre-VLA: 预防性运行时验证用于可靠视觉-语言-动作和世界模型展开
机构 * Beihang University（北京航空航天大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； JDT AI Infra ； Zhejiang University（浙江大学）
专题命中 机器人基础模型 ：world model(abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 本文提出Pre-VLA，一种统一的运行时验证架构，用于在物理执行或世界模型想象之前评估动作的有效性，以提高视觉-语言-动作和世界模型展开的可靠性。
推理能力如何赋能内窥手术中的AI助手机器人
机构 * Department of Electronic Engineering（电子工程系）
专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO
AI总结 本文研究了推理能力在内窥手术中AI助手机器人中的应用，提出通过整合多模态线索、解读手术意图和推断隐藏组织动态来提高手术的精确性、安全性和可持续性。
Comments Accepted by npj digital medicine
通过自我调节模拟规划实现高效的代理推理
机构 * Institute of Foundation Models (IFM)（基础模型研究所） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 模仿学习与强化学习 ：world model(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 本文提出通过分解决策过程为三个系统：模拟推理、自我调节和反应执行，来提升代理推理的效率，并展示了SR$^2$AM模型在不同任务中的表现。
Comments Code and model artifacts are available at https://github.com/sailing-lab/sr2am
SENIOR: 在基于偏好的强化学习中高效查询选择与偏好引导探索
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.RO、cs.AI
AI总结 本文提出SENIOR方法，通过高效查询选择和偏好引导探索提升人类反馈效率和策略学习速度，解决基于偏好的强化学习在反馈和样本效率方面的不足。
Comments 8 pages, 8 figures, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025)
闭环仿真到现实强化学习用于可变形微纤维形状控制
机构 * Department of Electrical Engineering and Automation, Aalto University（艾尔沃大学电气工程与自动化系）
专题命中 模仿学习与强化学习 ：manipulation(abstract_cn)；分类 cs.RO
AI总结 本文提出了一种闭环仿真到现实强化学习方法，用于在表面控制可变形微纤维形状，通过在简化摩擦模拟器中训练几何形状调节，并利用实时视觉反馈在部署过程中迭代修正未建模的表面相互作用效果。
Comments 7 pages,7 figures
Flying Together: Human-Guided Immersive Shared Control for Aerial Robot Teams in Unknown Environments
机构 * New York University（纽约大学） ； Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院） ； University of California Berkeley（加州大学伯克利分校）
专题命中 人机交互与遥操作 ：navigation(abstract)；分类 cs.RO；robotics(comments)
AI总结 本文提出了一种基于虚拟现实的共享控制框架，用于在约束和未知环境中操作无人机团队，通过实时用户引导探索，提升在无结构环境中的自主导航能力。核心方法是一种基于用户引导的运动原语规划器，结合阻抗控制器，使操作员能够灵活影响团队行为并引导无人机前往自主规划器可能忽略的感兴趣区域。
Comments Accepted at IEEE International Conference in Robotics and Automation, Vienna 2026
软线性气动执行器的分析与实验力分析
专题命中 人机交互与遥操作 ：robotic(abstract)；分类 cs.RO
AI总结 本文通过分析和实验研究了一种线性软套筒执行器（LSSA）的力特性，探讨了压力、几何形状、位移、负载和轴向刚度之间的耦合效应，揭示了其力生成机制。
超越像素：从少量示范中学习不变的奖励以实现实世界机器人学
机构 * School of Computing and Data Science, The University of Hong Kong（计算科学与数据科学学院，香港大学） ； LimX Dynamics Technology Co., Ltd（LimX动力技术有限公司） ； Southern University of Science and Technology（南方科技大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学）
专题命中 机器人数据与评测 ：robotics(title,abstract)；manipulation(abstract)；分类 cs.RO
AI总结 本文提出了一种从少量示范中学习不变奖励的方法，以实现实世界机器人学中的泛化能力，通过发现行为不变量来改进奖励函数的设计，从而在多个任务中提升策略学习效果。
PhysX-Omni: 为刚体、变形体和关节物体统一的模拟准备物理3D生成
机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室）
专题命中 机器人数据与评测 ：embodied AI(abstract,abstract_cn)；robotic(abstract,abstract_cn)；分类 cs.RO、cs.CV
AI总结 本文提出PhysX-Omni，一种统一的模拟准备物理3D生成框架，通过开发针对视觉-语言模型的高效几何表示和首个通用模拟准备3D数据集PhysXVerse，以及评估生成和理解能力的PhysX-Bench，显著提升了生成和理解性能，推动下游应用如具身AI和物理模拟的发展。
Comments Project page: https://physx-omni.github.io/
stable-worldmodel: 一个用于可重复世界建模研究和评估的平台
机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； New York University（纽约大学） ； Universidade Federal de Minas Gerais（巴西联邦大学矿务学院） ； Independent Researcher（独立研究者） ； LanceDB ； University of Oxford（牛津大学） ； Brown University（布朗大学）
专题命中 机器人数据与评测 ：world model(title,abstract)；分类 cs.RO、cs.LG
AI总结 本文提出stable-worldmodel平台，旨在解决世界建模研究中代码库、数据管道和评估协议碎片化的问题，通过提供高性能的数据层、现代世界模型基线和规划求解器的实现，以及扩展的环境和任务，实现标准化和可重复的世界建模研究和评估。
通过DEVS形式化方法驱动的离散事件世界模型生成与评估
机构 * Zhili College, Tsinghua University（清华大学紫光学院） ； School of Transportation Science and Engineering, Beihang University（北航交通科学与工程学院） ； Department of Industrial Engineering, Tsinghua University（清华大学工业工程系）
专题命中 机器人数据与评测 ：world model(title,abstract)；分类 cs.AI
AI总结 本文提出了一种基于自然语言规范在线生成离散事件世界模型的方法，结合了显式模拟器的可靠性与神经模型的适应性，通过DEVS形式化方法和分阶段的LLM生成流程，实现了对事件和时间逻辑的结构推断，并通过基准测试集验证了模型的一致性和可验证性。
Comments 36 pages, 6 figures
理解动作分块行为克隆中的多模态失败
机构 * NCT-Dresden（NCT-德累斯顿）
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 研究行为克隆在多模态情况下失败的机制，分析不同多模态参数化在动作分块策略中的不同失效方式，并提出通过调整正则化程度和改进生成策略来提升鲁棒性的方法。
NaviAgent: 一种基于图的双层规划用于可扩展的工具编排
机构 * Department of Electrical and Computer Engineering, The Ohio State University, USA（电气与计算机工程系，俄亥俄州立大学，美国）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出NaviAgent，一种基于图的双层规划框架，通过解耦任务规划与工具执行，提升大规模工具编排的可扩展性和鲁棒性，实验表明其在任务成功率和实际应用中表现优异。
Comments Accepted to ICML 2026
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML), 2026
因子扩散策略：一种单一分数网络的组成通用机器人控制
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.LG
AI总结 本文提出了一种因子扩散策略，通过单一共享的扩散网络实现通用机器人控制，该网络在推理时能将分数分解为各因子的加法形式，从而在训练任务预算上从因子基数的乘积减少到求和，通过轨迹管证书将分数界转化为闭环状态轨迹管，实验验证了其泛化界和证书的有效性。
OCELOT：用于腿部机器人的步态和接触估计
机构 * Department of Aerospace Engineering, Embry-Riddle Aeronautical University（航空航天工程系，埃默里-瑞德航空航天大学）
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.RO
AI总结 本文提出了一种基于误差状态扩展卡尔曼滤波器（ESEKF）的完整腿部里程计管道，通过仅使用本体感觉数据（如固定IMU、关节编码器和力传感器）来实现准确的里程计估计，核心贡献是融合接触检测和不确定性量化模块，用于显式识别并拒绝滑动。
Comments 8 pages
模型能多好地遵循视觉指令？VIBE：一个系统性的视觉指令驱动图像编辑基准
机构 * School of Artificial Intelligence, University of Chinese Academy of Science（中国科学院大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Peking University（北京大学） ； South China University of Technology（华南理工大学） ； Nanjing University（南京大学）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.CV
AI总结 本文提出VIBE基准，用于评估视觉指令驱动的图像编辑模型，通过三级交互层次评估指涉 grounding、形态操作和因果推理，并发现专有模型在早期阶段表现优异但随着任务难度增加性能下降。
Comments https://vibe-benchmark.github.io/
迈向自组织生产物流：一种多智能体方法
专题命中 机器人数据与评测 ：embodied agent(abstract)
AI总结 本文提出自组织生产物流（SOPL）的概念，通过设计科学研究方法论（DSRM）框架，结合多智能体架构、事件驱动协调和数字孪生等技术，解决生产物流中日益复杂的不确定性问题。
Comments Submitted to IFIP International Conference on Advances in Production Management Systems 2026 (APMS 2026)
联邦单体机器人：多机器人协调无需机器人内部多代理碎片化
机构 * School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Mathematical and Computer Sciences, Heriot-Watt University, Malaysia Campus（赫瑞-沃顿大学马来西亚校区数学与计算机科学学院） ； School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院）
专题命中 其他机器人 ：robotics(title,abstract)；embodied agent(abstract)；分类 cs.RO、cs.AI
AI总结 本文提出了一种联邦单体机器人（FSAR）架构，通过在单体机器人运行时基础上实现多机器人协调，避免了机器人内部的多代理碎片化，提升了协调效率和恢复能力。
Comments 30 pages, 10 figures, 9 tables. Code: https://github.com/s20sc/fsar-fleet-coordination
无需失去身份的学习：体素代理的能力进化
机构 * School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Mathematical and Computer Sciences, Heriot-Watt University（赫瑞-沃德大学数学与计算机科学学院） ； School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院）
专题命中 其他机器人 ：embodied agent(title,abstract)；分类 cs.RO、cs.AI
AI总结 本文提出了一种以能力为中心的体素代理进化范式，通过引入体素能力模块（ECMs）实现持续改进，同时保持代理身份的稳定性，实验表明其在任务成功率和安全性方面优于传统方法。
Comments 12 pages, 2 figures, 7 tables
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈